Cet article a été publié originellement sur mydatacompany.fr
Les data scientists sont majoritairement des juniors, débutants et jusqu’à trois ans d’expérience. Savoir les séduire grâce à des missions stimulantes est essentiel. Témoignages d’experts de la datascience et d’employeurs de data scientists.
Les entreprises le savent : la concurrence entre entreprises est forte pour recruter des data scientists. Différents secteurs, engagés dans la transformation numérique de leurs activités, cherchent à attirer ces talents.
« Nous sommes sur un marché de talents, c’est-à-dire de candidats qui décident. Ils ont le pouvoir » tient en effet à rappeler Charlotte Vitoux, directrice générale de l’agence de recrutement Aquent France.
Et cela réserve parfois quelques surprises sur les profils juniors de data scientists. « Il n’est pas confirmé qu’une fois le contrat signé, le talent se présente le premier jour ou reste très longtemps » prévient la recruteuse. A noter qu’un recrutement d’un data scientist prend en moyenne trois à six mois.
Deux à six mois de recrutement, et des surprises
Des surprises sont à prévoir, comme des ajustements en ce qui concerne la gestion des ressources humaines. En effet, « ces profils peuvent imposer d’être en télétravail deux jours par semaine ou d’habiter dans une autre ville que leur employeur. »
Si les entreprises prévoient de privilégier des débutants sortant d’école, il leur faudra cependant anticiper et mener en amont des actions de « campus management ». Stages et alternances sont les premiers leviers de recrutement de ces débutants.
Les grands groupes sont souvent dynamiques et expérimentés dans ce secteur. Ils seront donc des concurrents redoutables pour les autres employeurs potentiels, notamment sur le front de la rémunération et des avantages.
Les juniors disposant d’une première expérience professionnelle (2 à 3 ans) sont plus accessibles. Il faudra cependant prévoir une rémunération adaptée. La fourchette est large, allant de 48K€ à 65K€ par an.Les grands groupes sont souvent dynamiques et expérimentés dans ce secteur. Ils seront donc des concurrents redoutables pour les autres employeurs potentiels, notamment sur le front de la rémunération et des avantages.
Un tel salaire peut freiner certains employeurs, réticents à embaucher de jeunes collaborateurs dont ils pourraient douter de la capacité à rapidement maîtriser leurs enjeux métier. D’après les experts interrogés, cette appréhension n’est pas confirmée.
Un mathématicien formé au développement pour la datascience
« J’ai eu la chance de rencontrer un profil mathématicien, mais très appétant pour la tech. Il s’est formé, et nous l’avons formé sur la partie développement. » Et pour accompagner cette montée en compétences, facilitée par « une forte capacité d’apprentissage », le CTO a composé un binôme associant le data scientist et un développeur, intéressé lui par les mathématiques.
Si Marc Morel dispose d’une « petite équipe sur la data », il estime néanmoins que son entreprise a des atouts à faire valoir en termes d’attractivité, si jamais elle devait recruter à l’avenir des data scientists supplémentaires.
Car selon lui la rémunération est loin d’être le premier facteur d’embauche, même si le marché fixe bien entendu des standards pour de tels profils. Ses atouts, des « technologies innovantes » et de l’innovation aussi sur les algorithmes.
Des projets de Machine Learning pour séduire les candidats
« Nous sommes aujourd’hui sur des pans de Machine Learning très peu communs (…) C’est poussé ; on n’est pas dans des projets bullshit ; on n’est pas dans un datalab coupé de l’entreprise. Non, les apports sur notre business sont concrets. » Les candidats s’y montreraient particulièrement sensibles.
Le cadre de Figaro Classifieds estime en outre que les postulants sont attentifs au rôle social de l’entreprise (l’aide à l’emploi et à la recherche d’un logement en l’occurrence). Les data scientists juniors seraient ainsi en quête de sens dans leurs futures missions. Et non, tous ne rêvent pas (ou plus) de développer des algorithmes pour du trading à haute fréquence.
Des data scientists n’en choisissent pas moins l’univers de la banque. Et ils sont en effet bien souvent assez juniors. Cela ne constitue cependant pas une limitation pour l’avancement des projets au sein du datalab dirigé par Jérémie Guez chez BNP Personal Finance.
Il est vrai que ces jeunes professionnels peuvent aussi compter sur la complémentarité avec les autres membres du datalab, plus donc que s’ils étaient dans de petites structures. Les six data scientists, parmi la vingtaine de membres du datalab, peuvent par exemple s’appuyer sur les compétences d’un dataOps, de data ingénieurs, d’un développeur Python ou encore d’un DevOps.
S’il pourrait être reproché à des data scientists juniors de manquer de connaissances sur les métiers de l’entreprise, ces dernières s’avèrent néanmoins plus simples à acquérir que des compétences en datascience. « Au fil des projets, ils montent en compétence. Ce n’est pas un frein » souligne de plus Jérémie Guez.
Montée en compétence métier du data scientist en projet
Pour faire l’interface avec les métiers, le datalab s’appuie en outre dans son équipe sur des collaborateurs maîtrisant business et datascience, dont une ancienne data scientist. « Ce sont des personnes qui comprennent très bien la datascience, les enjeux et qui ont une bonne appétence sur la partie présentation. Ils font le lien entre nous datalab et le métier. »
Autre atout de l’entreprise : un pendant de ce même profil côté métier qui, sans maîtriser la datascience, « comprend néanmoins le gain de celle-ci pour son activité. » A noter que certaines fonctions de BNP Personal Finance, comme le marketing et les risques, disposent de leurs propres data scientists, forcément sensibilisés aux enjeux métier. Ils sont donc des interlocuteurs privilégiés pour le datalab et ses propres data scientists lors des projets.
« Ces écoles forment des experts techniques capables de rapidement s’adapter, s’intégrer et capter une connaissance métier. Par ailleurs, notre fonctionnement en squad use cases favorisent les échanges entre les data scientists et les métiers.
Le Data Lab de Swiss Life, la communauté des « Data Champions » de par son caractère transverse, permet également aux data scientists d’être en contact régulier avec des profils experts métier tels que des actuaires, des process owners, et ainsi de monter rapidement en compétence sur les sujets liés aux métiers de l’assurance.
Le data scientist junior au contact permanent des métiers
Outre une formation continue en data science, ces professionnels participent également à des formations métier en interne, leur permettant d’affiner encore cette connaissance. Des juniors en majorité certes, mais sans que cela ne constitue un quelconque frein pour les projets de l’entreprise, au contraire, ils apportent une autre vision et d’autres méthodes de travail innovantes.
Et quid de la montée en compétence d’experts métier sur la data science afin d’enrichir encore ses ressources en interne ?
« L’enrichissement est réciproque. Les experts métier apprennent les techniques de machine learning au contact des data scientists dans le cadre des use cases ou à l’occasion des masterclasses organisées au sein du datalab. »
Il ne s’agit pas d’en faire des data scientists, mais de permettre aux métiers d’acquérir des notions de data science afin de faciliter la conduite du changement, l’adoption et l’appropriation des use cases dont ils sont les principaux acteurs et facteurs de réussite.